论文摘要 · 2026-10-12 · arXiv (Cornell University)
开发利用人工智能高效发掘多种抗体候选物质的技术
Multi-Objective Amortized CDRH3 Sequence Sampling Diversifies Promising Antibody Candidates
- 做了什么
- 研究团队开发了一种基于人工智能的新型抗体序列生成技术，能够在抗体设计过程中同时考虑多个条件和多样性。
- 核心结果
- 与传统方法相比，在序列一致性达到50%的情况下，生成了多达10倍的丰富且可接受的抗体候选物质。
- 意义
- 这项研究有助于在药物研发初期降低失败概率，并探索各种潜在的抗体候选物质。
研究背景
抗体疗法是现代医学的核心，但要成为成功的候选物质，必须同时满足结构相容性、低免疫原性风险以及生物物理特性等严苛条件。
方法
研究团队引入了一种生成式流网络微调流水线和新型语言模型变体，通过结合多个预测奖励指标来重新设计抗体的特定区域。
主要结果
在45个保留抗体复合物上进行评估的结果显示，与现有的逆折叠方法 ProteinMPNN 或 ESM-IF 相比，每个设计生成的独特且可接受的候选物质数量多出约 10 倍。
局限与待确认之处
结果主要基于计算机模拟和评分评估，而非通过实际实验验证生物学功效。
术语解释
- 抗体疗法 — 为治疗疾病而模拟或利用人体免疫系统制造的蛋白质药物。
- 生成式流网络 — 一种经过训练能够有效生成具有各种可能性和概率的数据的人工智能技术。
本摘要由 AI 根据论文摘要撰写，并经编辑审核。 本页摘要由 AI 根据编辑审核过的韩文版本翻译。 具体数据与背景请查阅原文。
本页面整理已发表的论文、官方公告和媒体报道，仅供参考。论文摘要由 AI 根据论文摘要撰写并经编辑审核，可能与原文存在差异，重要内容请查阅原文。本页面不构成任何证券的买卖建议或投资咨询。 人事变动以官方公告或主要媒体报道为来源，部分履历参考维基数据（CC0）。 本页摘要由 AI 根据编辑审核过的韩文版本翻译。
